通过分析数据可以看出，“特色人文文化景观”等指标为专家通过1-5分赋值，“旅游占GDP比重”等指标结果为百分比，“区内农民人均收入”等单位为元，统计口径并不一致。本书利用软件SPSS18.0的Z-score标准化方法对原始数据进行标准化处理，通过把原始数据无量纲化，从而降低统计口径不一给统计结果造成的影响。
在标准化处理后，针对变量进行信度和效度校验。其中在信度和效度检验方法选择方面，本书选用了KMO检验方法，通过检验，得到具体检验结果如表5—8所示：
表5—8 KMO and Bartlett's Test
通过信度和效度检验可以看出，该统计变量为0.745，按照KMO的判断标准可以看出，该KMO值介于[0.7，0.8]之间，适合做因子分析。在具体的因子分析过程中，首先要对各个因子之间的相关性进行检验，通过SPSS18.0计算各个标准化后的因子相关度如表5—9所示：
表5—9 因子相关度表
续表
a This matrix is not positive definite.
通过对变量之间的相关性进行分析可以看出，大部分变量之间的相关性比较高，其中最高达到0.985。说明各个变量之间具有较强的相关性，符合因子分析的条件，可以利用因子分析的方法提取主因子，进而达到降低维度的目的。
通过因子分析，达到主成分分析表如表5—10所示：
表5—10 因子分析的总方差解释（Total Variance Explained）
续表
Extraction Method：Principal Component Analysis.
通过结果可以看出，可以提取三个主因子，其中第一个主因子对原始数据的解释程度为52.321%，第二个变量对原始变量解释程度为22.485%，第三个变量对原始数据解释程度为8.085%。三个主因子总计对原始变量累计解释程度为82.981%。在提取主因子后，需要对各个指标的解释变量情况进行分析，利用因子载荷矩阵对公因子的样本特征表示情况进行分析，通过该矩阵可以确定每一个公因子都对哪些指标具有解释意义。详细的统计数据如表5—11所示。
表5—11 旋转后的因子载荷矩阵
(www.xing528.com)
通过分析可以看出，提取的第一个公因子对Q13、Q14、Q22、Q24、Q25指标以及Q34指标具有较强的解释能力。结合上表公因子载荷矩阵数据可以看出，第一个公因子对整体样本解释能力达到了52.321%。说明以上几个指标对秦岭地区生态旅游可持续性的影响达到了52.321%。从具体的指标情况可以看出，这些指标分别表示了政府对生态景区扶持和支持情况，说明政府的支持和政府的计划性的建设以及管理措施等因素对该秦岭地区生态旅游可持续发展具有明显的影响。该因子表明政府规划在秦岭生态旅游建设中的作用，本书采用“政府规划建设”来为该因子命名。
第二个公因子对指标Q12、Q31、Q32、Q33以及Q35指标具有较强的解释能力，结合公因子载荷情况可以看出，这几个维度的因素对整个生态旅游可持续发展影响达到了22.485%。结合具体的指标情况可以看出，这些指标都分别从景区区域内农民人均收入情况、景区污染情况、景区区位条件等自身因素来解释生态旅游的可持续情况。表示了景区建设的区位因素和自身条件对生态旅游的影响。因此我们可以用“区域资源”来为该因子命名。
第三个公因子对指标Q11、Q15、Q21以及Q23具有较强的解释能力。这些指标分别从生态旅游景区的人员支持、服务支持和宣传等角度来表示生态旅游的可持续特性。表示了生态旅游区域的运营服务对生态旅游的影响情况。因此我们可以用“运营管理服务”来为该因子命名。
通过上述分析可知，政府规划建设、区域资源以及运营管理服务是影响秦岭生态旅游可持续发展的关键因子。
秦岭生态旅游可持续公因子旋转后因子载荷矩阵如表5—12所示：
表5—12 影响因子得分系数得分
续表
上表为各个主因子的系数得分，利用因子得分系数和标准化后的原始数据计算每一个因子的得分数，旋转后的因子得分计算公式如下所示：
通过上文的分析可以看出，秦岭生态旅游可持续发展主要受到三个因子的影响。本书利用Y1Y2Y3表示为提取的三个公共因子通过公式的计算，算得主因子得分如下所示，利用每一个主因子对原始指标的贡献程度作为该因子的权重，得到不同地区的生态旅游可持续评价结论：
通过该公式计算秦岭生态旅游可持续建设效果总得分如表5—13所示：
表5—13 秦岭生态旅游可持续评价结果
续表
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
